如果这可以帮助其他人。这是一个计算效率更高的解决方案。

TL;DR 版本

如果每一行已经有一个唯一的索引，那么这样做：

>>> df.loc[df.groupby('A')['C'].idxmin()]

如果您已经被“​​A”索引，那么首先将“A”转换回一列。

>>> df2 = df.reset_index()
>>> df2.loc[df2.groupby('A')['C'].idxmin()]

分步说明：

步骤1。

首先，确保数据框中的每一行都是唯一索引的。这是导入 csv 数据时的默认设置。例如

    >>> df = pd.read_csv('questionData.csv'); df
        A       B       C
    0   196512  1325    12.901051
    1   196512  114569  12.926770
    2   196512  118910  12.898335
    3   196512  100688  12.950509
    4   196795  28978   12.780517
    5   196795  34591   12.899411
    6   196795  13078   12.913575
    7   196795  24173   12.876965
    8   196341  118910  12.898335
    9   196341  100688  12.950509
    10  196641  28972   12.780517
    11  196641  34591   12.899411
    12  196346  118910  12.898335
    13  196346  100688  12.950509
    14  196646  28980   12.780517
    15  196646  34591   12.899411

另外：如果您已经将“A”列转换为索引，那么您可以将索引重新转换为列（https://stackoverflow.com/questions/20461165/how-to-convert-pandas-index-in-a -dataframe-to-a-column ) 通过执行以下操作：df.reset_index()

第2步。

使用pandas.DataFrame.idxmin函数检索每个组的最小值的索引。

下面例子的语义是这样的：“按‘A’分组，然后只看每组的‘C’列，最后返回每组中最小‘C’对应的索引。

>>> indices = df.groupby('A')['C'].idxmin; indices
A
196341     8
196346    12
196512     2
196641    10
196646    14
196795     4
Name: C, dtype: int64

步骤 3。

最后，使用pandas.DataFrame.loc在原始数据帧中检索到的索引来获取原始数据帧的行，这些行对应于按“A”分组的每个组中“C”的最小值。

>>> df.loc[indices]
    A       B       C
8   196341  118910  12.898335
12  196346  118910  12.898335
2   196512  118910  12.898335
10  196641  28972   12.780517
14  196646  28980   12.780517
4   196795  28978   12.780517

注意： groupby('A') 操作返回按 A 排序的组。因此 'indices' 按 A 排序。如果我们想要原始顺序，我们只需要这样做

>>> df.loc[indices].sort_index()
    A       B       C
2   196512  118910  12.898335
4   196795  28978   12.780517
8   196341  118910  12.898335
10  196641  28972   12.780517
12  196346  118910  12.898335
14  196646  28980   12.780517

你可以这样做。但我怀疑效率。

>> 将熊猫导入为 pd
>> df = pd.DataFrame({'a':[1,1,3,3],'b':[4,5,6,3], 'c':[1,2,3,5] })
>> df
   美国广播公司
0 1 4 1
1 1 5 2
2 3 6 3
3 3 3 5
>> df[df['c'].isin(df.groupby('a').min()['c'].values)]
   美国广播公司
0 1 4 1
2 3 6 3

首先检查您的数据。您无法获得索引196341的值12.780517。该值将用于索引196641。

现在，要在结果中获取“b”列，请使用pd.merge。不要将列“a”作为索引。保持原状。

>>> df = pd.DataFrame({'a':[196512, 196512, 196512, 196512, 196795, 196795, 196795, 196795, 196341, 196341, 196641, 196641, 196346, 196346, 196646, 196646],'b':[1325 , 114569 , 118910 , 100688 , 28978 ,34591 , 13078 ,  24173 , 118910 , 100688 , 28972 , 34591 , 118910 , 100688 , 28980 , 34591 ],'c':[12.9010511000000 ,12.9267705000000 ,12.8983353775637 ,12.9505091000000 ,12.7805170314276 ,12.8994111000000 ,12.9135746000000 ,12.8769653100000 ,12.8983353775637 ,12.9505091000000 ,12.7805170314276 ,12.8994111000000 ,12.8983353775637 ,12.9505091000000 ,12.7805170314276 ,12.8994111000000 ]})
>>> df1 = df.groupby(['a'])['c'].min()
>>> df1
a
196341    12.898335
196346    12.898335
196512    12.898335
196641    12.780517
196646    12.780517
196795    12.780517
Name: c, dtype: float64

df1 在这里是一个系列类型的对象。将其转换为数据框。

>>> df1 = pd.DataFrame(df1, columns = ['c'])

此外，将 df1 的索引设为“a”列并更改索引。

>>> df1['a'] = df1.index
>>> df1.index = range(df1.shape[0])
>>> df1
       c       a
0  12.898335  196341
1  12.898335  196346
2  12.898335  196512
3  12.780517  196641
4  12.780517  196646
5  12.780517  196795

现在，您必须在'a'和'c'两列上将df1与df连接起来。

>>> pd.merge(df,df1, on = ['a','c'])
    a       b          c
0  196512  118910  12.898335
1  196795   28978  12.780517
2  196341  118910  12.898335
3  196641   28972  12.780517
4  196346  118910  12.898335
5  196646   28980  12.780517 

你有你想要的输出！